Today, in the digital age, the problem of pattern recognition is very relevant. In particular, the task of text recognition is important in banking, for the automatic reading of documents and their control; in video control systems, for example, to identify the license plate of a car that violated traffic rules; in security systems, for example, to check banknotes at an ATM and in many other areas. A large number of methods are known for solving the problem of pattern recognition, but the main advantage of neural networks over other methods is their learning ability. It is this feature that makes neural networks attractive to study. The article proposes a basic neural network model. The main algorithms are considered and a programming model is implemented in the Python programming language. In the course of research, the following shortcomings of the basic model were revealed: low learning rate (the number of correctly recognized digits in the first epochs of learning); retraining - the network has not learned to generalize the knowledge gained; low probability of recognition - 95.13%.To solve the above disadvantages, various techniques were used that increase the accuracy and speed of work, as well as reduce the effect of network retraining.Hoy, en la era digital, el problema del reconocimiento de patrones es muy relevante. En particular, la tarea de reconocimiento de texto es importante en la banca, para la lectura automática de documentos y su control; en sistemas de control de video, por ejemplo, para identificar la matrícula de un automóvil que violó las reglas de tránsito; en los sistemas de seguridad, por ejemplo, para verificar los billetes en un cajero automático y en muchas otras áreas. Se conocen una gran cantidad de métodos para resolver el problema del reconocimiento de patrones, pero la principal ventaja de las redes neuronales sobre otros métodos es su capacidad de aprendizaje. Es esta característica la que hace que las redes neuronales sean atractivas para estudiar. El artículo propone un modelo básico de red neuronal. Se consideran los principales algoritmos y se implementa un modelo de programación en el lenguaje de programación Python. En el curso de la investigación, se revelaron las siguientes deficiencias del modelo básico: baja tasa de aprendizaje (el número de dígitos reconocidos correctamente en las primeras épocas de aprendizaje); reentrenamiento: la red no ha aprendido a generalizar los conocimientos adquiridos; baja probabilidad de reconocimiento: 95,13%. Para resolver las desventajas anteriores, se utilizaron varias técnicas que aumentan la precisión y la velocidad del trabajo, así como también reducen el efecto del reentrenamiento de la red.